CN111784053A - 交易风险检测方法、设备及可读存储介质 - Google Patents

交易风险检测方法、设备及可读存储介质 Download PDF

Info

Publication number
CN111784053A
CN111784053A CN202010630276.3A CN202010630276A CN111784053A CN 111784053 A CN111784053 A CN 111784053A CN 202010630276 A CN202010630276 A CN 202010630276A CN 111784053 A CN111784053 A CN 111784053A
Authority
CN
China
Prior art keywords
transaction
risk detection
target
risk
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010630276.3A
Other languages
English (en)
Inventor
卓本刚
唐兴兴
黄启军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WeBank Co Ltd
Original Assignee
WeBank Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by WeBank Co Ltd filed Critical WeBank Co Ltd
Priority to CN202010630276.3A priority Critical patent/CN111784053A/zh
Publication of CN111784053A publication Critical patent/CN111784053A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Technology Law (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本申请公开了一种交易风险检测方法、设备及可读存储介质，所述交易风险检测方法包括：获取目标交易对应的待检测交易数据，并将所述待检测交易数据输入预设风险检测模型，对所述目标交易进行交易风险检测，获得初始风险检测结果，进而对所述初始风险检测结果进行模型预测解释，获得所述初始风险检测结果对应的交易可疑因素，进而基于所述交易可疑因素，生成所述目标交易对应的目标风险检测结果。本申请解决了交易风险检测置信度低的技术问题。

Description

交易风险检测方法、设备及可读存储介质
技术领域
本申请涉及人工智能领域，尤其涉及一种交易风险检测方法、设备及可读存储介质。
背景技术
随着金融科技，尤其是互联网科技金融的不断发展，越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域，但金融业也对技术提出了更高的要求，如对金融业对应待办事项的分发也有更高的要求。
随着计算机软件和人工智能的不断发展，机器学习模型在商业银行或者其他信贷金融机构的业务中应用广泛，目前，在交易中往往存在许多可疑交易，这些可疑交易往往存在极大的可能性为非法交易，例如欺诈交易、洗钱交易等，目前，目前的神经网络模型通常为基于收集的交易数据，对交易进行评分，进而基于获得的评分，筛选交易中的可疑交易，但是，仅仅基于神经网络模型的评分，判定交易是否可疑，往往将导致判定的可疑交易是否可疑的置信度较低。
发明内容
本申请的主要目的在于提供一种交易风险检测方法、设备及可读存储介质，旨在解决现有技术中交易风险检测置信度低的技术问题。
为实现上述目的，本申请提供一种交易风险检测方法，所述交易风险检测方法应用于交易风险检测设备，所述交易风险检测方法包括：
获取目标交易对应的待检测交易数据，并将所述待检测交易数据输入预设风险检测模型，对所述目标交易进行交易风险检测，获得初始风险检测结果；
对所述初始风险检测结果进行模型预测解释，获得所述初始风险检测结果对应的交易可疑因素；
基于所述交易可疑因素，生成所述目标交易对应的目标风险检测结果。
可选地，所述交易可疑因素包括目标交易特征，
所述对所述初始风险检测结果进行模型预测解释，获得所述初始风险检测结果对应的交易可疑因素的步骤包括：
若所述初始风险检测结果满足预设风险判定条件，则确定所述待检测交易数据对应的各所述交易特征；
基于所述预设风险检测模型，分别计算各所述交易特征对所述初始风险检测结果的特征贡献度；
基于各所述特征贡献度，在各所述交易特征中选取所述目标交易特征。
可选地，所述基于所述预设风险检测模型，分别计算各所述交易特征对所述初始风险检测结果的特征贡献度的步骤包括：
基于各所述交易特征和所述待检测交易数据，确定模型解释样本集；
基于所述预设风险检测模型和所述模型解释样本集，计算各所述特征贡献度。
可选地，所述模型解释样本集至少包括一个模型输入元素，所述模型输入元素至少包括一个第一类型元素和一个第二类型元素，
所述基于各所述交易特征和所述待检测交易数据，确定模型解释样本集的步骤包括：
在各所述交易特征中选取目标特征，并在所述待检测交易数据中剔除所述目标特征对应的目标特征数据，获得剔除数据集，并在所述剔除数据集中选取所述第一类型元素之一，其中，所述第一类型元素为所述剔除数据集的子集；
将所述目标特征数据加入所述第一类型元素，获得所述第二类型元素之一；
重新在各所述交易特征中选取所述目标特征，以获取其他所述第一类型元素和其他所述第二类型元素，直至所述待检测交易数据中不存在所述目标特征，获得所述模型解释样本集。
可选地，所述基于各所述特征贡献度，在各所述交易特征中选取所述目标交易特征的步骤包括：
确定各所述特征贡献度的目标绝对值，并对各所述目标绝对值进行排序，获得排序结果；
基于所述排序结果，在各所述交易特征中选取所述目标交易特征。
可选地，所述基于所述交易可疑因素，生成所述目标交易对应的目标风险检测结果的步骤包括：
确定所述交易可疑因素对应的风险校验规则；
基于所述风险校验规则，对所述目标交易进行二次交易风险检测，获得所述目标风险检测结果。
可选地，所述交易可疑因素包括目标交易特征，
所述确定所述交易可疑因素对应的风险校验规则的步骤包括：
获取所述目标交易特征对应的目标特征贡献度，并分别匹配所述目标交易特征对应的风险校验规则类型和匹配所述目标特征贡献度对应的风险校验等级；
基于所述风险校验规则类型和所述风险校验等级，确定所述风险校验规则。
可选地，所述将所述待检测交易数据输入预设风险检测模型，对所述目标交易进行交易风险检测，获得初始风险检测结果的步骤包括：
将所述待检测交易数据输入所述预设风险检测模型，对所述待检测交易数据进行分类，以对所述目标交易进行交易风险检测，获得分类标签；
基于所述分类标签，确定所述初始风险检测结果。
本申请还提供一种交易风险检测装置，所述交易风险检测装置为虚拟装置，且所述交易风险检测装置应用于交易风险检测设备，所述交易风险检测装置包括：
预测模块，用于获取目标交易对应的待检测交易数据，并将所述待检测交易数据输入预设风险检测模型，对所述目标交易进行交易风险检测，获得初始风险检测结果；
模型解释模块，用于对所述初始风险检测结果进行模型预测解释，获得所述初始风险检测结果对应的交易可疑因素；
生成模块，用于基于所述交易可疑因素，生成所述目标交易对应的目标风险检测结果。
可选地，所述模型解释模块包括：
第一确定子模块，用于若所述初始风险检测结果满足预设风险判定条件，则确定所述待检测交易数据对应的各所述交易特征；
计算子模块，用于基于所述预设风险检测模型，分别计算各所述交易特征对所述初始风险检测结果的特征贡献度；
选取子模块，用于基于各所述特征贡献度，在各所述交易特征中选取所述目标交易特征。
可选地，所述计算子模块包括：
确定单元，用于基于各所述交易特征和所述待检测交易数据，确定模型解释样本集；
计算单元，用于基于所述预设风险检测模型和所述模型解释样本集，计算各所述特征贡献度。
可选地，所述确定单元包括：
剔除子单元，用于在各所述交易特征中选取目标特征，并在所述待检测交易数据中剔除所述目标特征对应的目标特征数据，获得剔除数据集，并在所述剔除数据集中选取所述第一类型元素之一，其中，所述第一类型元素为所述剔除数据集的子集；
并入子单元，用于将所述目标特征数据加入所述第一类型元素，获得所述第二类型元素之一；
选取子单元，用于重新在各所述交易特征中选取所述目标特征，以获取其他所述第一类型元素和其他所述第二类型元素，直至所述待检测交易数据中不存在所述目标特征，获得所述模型解释样本集。
可选地，所述选取子模块包括：
排序单元，用于确定各所述特征贡献度的目标绝对值，并对各所述目标绝对值进行排序，获得排序结果；
选取单元，用于基于所述排序结果，在各所述交易特征中选取所述目标交易特征。
可选地，所述生成模块包括：
第二确定子模块，用于确定所述交易可疑因素对应的风险校验规则；
二次交易风险检测子模块，用于基于所述风险校验规则，对所述目标交易进行二次交易风险检测，获得所述目标风险检测结果。
可选地，所述第二确定子模块包括：
匹配子模块，用于获取所述目标交易特征对应的目标特征贡献度，并分别匹配所述目标交易特征对应的风险校验规则类型和匹配所述目标特征贡献度对应的风险校验等级；
第二确定子模块，用于基于所述风险校验规则类型和所述风险校验等级，确定所述风险校验规则。
可选地，所述预测模块包括：
分类子模块，用于将所述待检测交易数据输入所述预设风险检测模型，对所述待检测交易数据进行分类，以对所述目标交易进行交易风险检测，获得分类标签；
第三确定子模块，用于基于所述分类标签，确定所述初始风险检测结果。
本申请还提供一种交易风险检测设备，所述交易风险检测设备为实体设备，所述交易风险检测设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述交易风险检测方法的程序，所述交易风险检测方法的程序被处理器执行时可实现如上述的交易风险检测方法的步骤。
本申请还提供一种可读存储介质，所述可读存储介质上存储有实现交易风险检测方法的程序，所述交易风险检测方法的程序被处理器执行时实现如上述的交易风险检测方法的步骤。
本申请提供了一种交易风险检测方法、设备及可读存储介质，与现有技术采用基于神经网络模型的评分，判断交易是否可疑的技术手段相比，本申请在基于预设风险检测模型对目标交易进行交易风险检测，获得初始风险检测结果之后，基于模型解释的方法，分析导致所述初始风险检测结果的交易可疑因素，进而基于所述交易可疑因素，生成所述目标交易是否可疑的目标风险检测结果，进而实现了基于导致交易可疑的交易可疑因素，对交易是否可疑进行高置信度检测的目的，进而克服了现有技术中基于神经网络模型的评分，判定交易是否可疑，将导致判定的可疑交易是否可疑的置信度低的技术缺陷，进而提高了交易风险检测的置信度，所以，解决了交易风险检测置信度低的技术问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请交易风险检测方法第一实施例的流程示意图；
图2为本申请交易风险检测方法中各所述交易特征对应的特征贡献度的可视化示意图；
图3为本申请交易风险检测方法第二实施例的流程示意图；
图4为本申请实施例方案涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请实施例提供一种交易风险检测方法，在本申请交易风险检测方法的第一实施例中，参照图1，所述交易风险检测方法包括：
步骤S10，获取目标交易对应的待检测交易数据，并将所述待检测交易数据输入预设风险检测模型，对所述目标交易进行交易风险检测，获得初始风险检测结果；
在本实施例中，需要说明的是，所述目标交易包括用户与其他用户之间的转账，所述待检测交易数据为所述目标交易对应的待检测交易数据，用于评估所述目标交易是否可疑，所述待检测交易数据包括异地付款数据、大额交易数据、消费记录数据和常用设备数据等，所述预设风险检测模型为对所述目标交易进行交易风险检测的神经网络模型，用于评估所述目标交易是否为可疑交易或者评估所述目标交易为可疑交易的概率。
获取目标交易对应的待检测交易数据，并将所述待检测交易数据输入预设风险检测模型，对所述目标交易进行交易风险检测，获得初始风险检测结果，具体地，获取目标交易对应的待检测交易数据，并将所述待检测交易数据对应的交易特征表示向量输入所述预设风险检测模型，其中，所述交易特征表示向量为所述待检测交易数据的向量表示形式，例如，假设所述交易特征表示向量为(a，b，c)，则特征值a表示目标用户对应的交易设备ID为1，特征值b表示目标交易对应的交易对象为陌生人，特征值c表示目标交易的交易金额为10万元，进而对所述交易特征表示向量进行数据处理，其中，数据处理包括卷积、池化和全连接等，获得交易风险检测向量，并将所述交易风险检测向量作为所述初始风险检测结果，例如，假设所述交易风险检测向量为(1，0.8)，其中，1为所述目标交易的标签，表示目标交易为可疑交易，0.8表示目标交易有80％的概率为非法交易，其中，所述可疑交易为疑似非法交易的交易，所述非法交易包括欺诈交易和洗钱交易等。
其中，所述将所述待检测交易数据输入预设风险检测模型，对所述目标交易进行交易风险检测，获得初始风险检测结果的步骤包括：
步骤S11，将所述待检测交易数据输入所述预设风险检测模型，对所述待检测交易数据进行分类，以对所述目标交易进行交易风险检测，获得分类标签；
在本实施例中，将所述待检测交易数据输入所述预设风险检测模型，对所述待检测交易数据进行分类，以对所述目标交易进行交易风险检测，获得分类标签，具体地，对所述待检测交易数据进行编码，例如，独热编码等，进而获得所述待检测交易数据对应的交易特征编码数据，进而将所述交易特征编码数据输入所述预设风险检测模型，对所述交易特征编码数据进行数据处理，例如，卷积、池化和全连接等，以对所述交易特征编码数据进行分类，获得分类向量，并将所述分类向量作为所述分类标签。
步骤S12，基于所述分类标签，确定所述初始风险检测结果。
在本实施例中，基于所述分类标签，确定所述初始风险检测结果，具体地，基于所述分类向量，在预设数据库中查询所述分类向量对应的交易可疑概率，并将所述交易可疑概率作为所述初始风险检测结果。
步骤S20，对所述初始风险检测结果进行模型预测解释，获得所述初始风险检测结果对应的交易可疑因素；
在本实施例中，需要说明的是，所述交易可疑因素为对所述初始风险检测结果的影响程度高于预设影响程度阀值的因素，也即为导致所述初始风险检测结果的目标风险因素，其中，所述交易可疑因素包括所述目标交易对应的目标交易特征，其中，所述目标交易特征为对所述初始风险检测结果的特征贡献度大于预设贡献度阀值的交易特征。
对所述初始风险检测结果进行模型预测解释，获得所述初始风险检测结果对应的交易可疑因素，具体地，确定所述待检测交易数据对应的各交易特征，并对所述初始风险检测结果进行模型预测解释，以分别计算各所述交易特征对初始风险检测结果的特征贡献度，进而基于各所述特征贡献度，在各所述交易特征中确定目标交易特征。
其中，所述交易可疑因素包括目标交易特征，
所述对所述初始风险检测结果进行模型预测解释，获得所述初始风险检测结果对应的交易可疑因素的步骤包括：
步骤S21，若所述初始风险检测结果满足预设风险判定条件，则确定所述待检测交易数据对应的各所述交易特征；
在本实施例中，需要说明的是，所述初始风险检测结果包括交易可疑概率。
若所述初始风险检测结果满足预设风险判定条件，则确定所述待检测交易数据对应的各所述交易特征，具体地，将所述交易可疑概率与预设概率阀值进行比对，若所述交易可疑概率大于或者等于所述预设概率阀值，则判定所述初始风险检测结果满足预设风险判定条件，进而基于所述待检测交易数据对应的数据类别信息，确定各所述交易特征，例如，假设所述待检测交易数据为目标交易对应的交易对象为陌生人，则交易特征为交易对象。进而若所述交易可疑概率小于所述预设概率阀值，则判定所述初始风险检测结果不满足预设风险判定条件，进而判定所述目标交易不为可疑交易，其中，需要说明的是，所述预设概率阀值为预先设定的交易可疑概率阀值，用于评估交易是否为可疑交易，例如，当某一交易的交易可疑概率大于或者等于所述预设概率阀值，则判定该交易为可疑交易。
步骤S22，基于所述预设风险检测模型，分别计算各所述交易特征对所述初始风险检测结果的特征贡献度；
在本实施例中，需要说明的是，所述特征贡献度为所述交易特征对所述初始风险检测结果的影响程度，其中，所述特征贡献度包括正特征贡献度和负特征贡献度，其中，正特征贡献度表示对所述初始风险检测结果具有正向的影响，负特征贡献度表示对所述初始风险检测结果具有负向的影响，例如，假设在进行目标交易时交易对象为母亲，交易的金额为100万元，则对应的交易特征分别为交易对象和交易金额，由于交易对象为母亲，则交易对象对应的特征贡献度应当为负特征贡献度，对交易可疑概率的提升具有反向激励作用，将降低交易可疑概率，由于交易的金额为100万元，交易金额为大额交易，则交易金额对应的特征贡献度应当为正特征贡献度，对交易可疑概率的提升具有正向激励作用，将提高交易可疑概率。
基于所述预设风险检测模型，分别计算各所述交易特征对所述初始风险检测结果的特征贡献度，具体地，基于所述预设风险检测模型，通过预设特征贡献度计算方式，分别计算各所述交易特征对所述初始风险检测结果的特征贡献度，其中，所述预设特征贡献度计算方式包括SHAP(SHapley Additive exPlanations，沙普利可加性模型解释)和LIME(Local Interpretable Model-Agnostic Explanations，模型无关局部解释)等。
进一步地，在一种可实施的方案，基于各所述特征贡献度与各所述特征贡献度对应的交易特征，生成各所述交易特征对应的特征贡献度可视化示意图，以对各所述交易特征对所述初始风险检测结果的特征贡献度进行可视化展示，如图2所示为各所述交易特征对应的特征贡献度的可视化示意图，其中，异地付款、交易对象、常用设备、大额交易和消费记录等均为所述交易特征，所述特征贡献度的绝度值大小为五边形中心至各顶点的线段的长度。
步骤S23，基于各所述特征贡献度，在各所述交易特征中选取所述目标交易特征。
在本实施例中，基于各所述特征贡献度，在各所述交易特征中选取所述目标交易特征，具体地，在各所述特征贡献度中选取大于预设特征贡献度阀值的各目标特征贡献度，进而将各所述目标特征贡献度对应的交易特征作为目标交易特征。
其中，所述基于各所述特征贡献度，在各所述交易特征中选取所述目标交易特征的步骤包括：
步骤S231，确定各所述特征贡献度的目标绝对值，并对各所述目标绝对值进行排序，获得排序结果；
在本实施例中，确定各所述特征贡献度的目标绝对值，并对各所述目标绝对值进行排序，获得排序结果，具体地，确定各所述特征贡献度的目标绝对值，并将各所述目标绝对值以从大至小的方式进行排序，获得排序列表，并将所述排序列表作为所述排序结果。
步骤S232，基于所述排序结果，在各所述交易特征中选取所述目标交易特征。
在实施例中，基于所述排序结果，在各所述交易特征中选取所述目标交易特征，具体地，基于所述排序列表中的交易特征排列顺序，则所述排序列表中选取预设数量的目标交易特征，其中，所述目标交易特征为所述排序列表中对应的目标绝对值大于预设阀值的交易特征。
步骤S30，基于所述交易可疑因素，生成所述目标交易对应的目标风险检测结果。
在本实施例中，基于所述交易可疑因素，生成所述目标交易对应的目标风险检测结果，具体地，匹配所述交易可疑因素对应的风校验规则，并基于所述风险校验规则，重新校验所述目标交易，以基于所述交易可疑因素，判断所述目标交易是否可疑，获得目标风险检测结果，其中，所述风险校验规则包括短信验证、人脸识别验证等。
其中，所述基于所述交易可疑因素，生成所述目标交易对应的目标风险检测结果的步骤包括：
步骤S31，确定所述交易可疑因素对应的风险校验规则；
在本实施例中，需要说明的是，所述交易可疑因素包括目标交易特征。
确定所述交易可疑因素对应的风险校验规则，具体地，获取所述目标交易特征的目标特征贡献度，并基于所述目标特征贡献度，匹配所述目标交易特征对应的风险校验规则，例如，假设所述目标交易对应的目标交易特征为交易设备和交易金额，且交易设备对应的特征贡献度为0.3，交易金额对应的特征贡献度为0.5，则由于交易设备对应的特征贡献度阀值为0.2，交易金额对应的特征贡献度阀值为0.1，则基于所述交易设备与其0.3的特征贡献度，对应的风险校验规则为手机短信验证规则，基于所述交易金额与其0.5的特征贡献度，对应的风险校验规则为人脸识别验证规则。
其中，所述交易可疑因素包括目标交易特征，
所述确定所述交易可疑因素对应的风险校验规则的步骤包括：
步骤S311，获取所述目标交易特征对应的目标特征贡献度，并分别匹配所述目标交易特征对应的风险校验规则类型和匹配所述目标特征贡献度对应的风险校验等级；
在本实施例中，获取所述目标交易特征对应的目标特征贡献度，并分别匹配所述目标交易特征对应的风险校验规则类型和匹配所述目标特征贡献度对应的风险校验等级，具体地，获取所述目标交易特征对应的目标特征贡献度，进而基于所述目标交易特征的特征编码，在预设数据库中匹配所述目标交易对应的风险校验规则类型，基于所述目标特征贡献度的数值大小，在预设数据库中匹配所述目标交易的风险校验等级。
步骤S312，基于所述风险校验规则类型和所述风险校验等级，确定所述风险校验规则。
在本实施例中，基于所述风险校验规则类型和所述风险校验等级，确定所述风险校验规则，具体地，将所述风险校验规则类型对应的类型编码值和所述风险校验等级对应的风险等级编码进行组合，获得风险校验规则向量，其中，所述类型编码值为所述风险校验规则类型的标识，所述风险等级编码为所述风险校验等级的标识，进而基于所述风险规则向量，匹配对应的风险校验规则，例如，假设，所述类型编码值为a，所述风险等级编码为b，则所述风险校验规则向量为(a，b)，进而对应的所述风险校验规则为手机短信验证规则和人脸识别验证规则。
步骤S32，基于所述风险校验规则，对所述目标交易进行二次交易风险检测，获得目标风险检测结果。
在本实施例中，需要说明的是，所述风险检验规则为校验所述目标交易是否为可疑交易的规则，所述风险校验规则包括短信验证规则、人脸识别验证规则等。
基于所述风险校验规则，对所述目标交易进行二次交易风险检测，获得目标风险检测结果，具体地，而基于所述风险校验规则，对所述目标交易进行二次交易风险检测，以校验所述目标交易是否为可疑交易，获得目标风险检测结果。
进一步地，基于所述初始风险检测结果、所述交易可疑因素和所述目标风险检测结果，输出交易可疑分析报告，并基于所述交易可疑分析报告，控制所述目标用户的逾期风险。
本实施例提供了一种交易风险检测方法，与现有技术采用基于神经网络模型的评分，判断交易是否可疑的技术手段相比，本实施例在基于预设风险检测模型对目标交易进行交易风险检测，获得初始风险检测结果之后，基于模型解释的方法，分析导致所述初始风险检测结果的交易可疑因素，进而基于所述交易可疑因素，生成所述目标交易是否可疑的目标风险检测结果，进而实现了基于导致交易可疑的交易可疑因素，对交易是否可疑进行高置信度检测的目的，进而克服了现有技术中基于神经网络模型的评分，判定交易是否可疑，将导致判定的可疑交易是否可疑的置信度低的技术缺陷，进而提高了交易风险检测的置信度，所以，解决了交易风险检测置信度低的技术问题。
进一步地，参照图2，基于本申请中第一实施例，在本申请的另一实施例中，所述基于所述预设风险检测模型，分别计算各所述交易特征对所述初始风险检测结果的特征贡献度的步骤包括：
步骤S221，基于各所述交易特征和所述待检测交易数据，确定模型解释样本集；
在本实施例中，需要说明的是，本实施例中计算特征贡献度的方法为SHAP，所述模型解释样本集为用于计算SHAP值的样本集，所述模型解释样本集包括一个或者多个模型输入元素，所述模型输入元素包括一个或者多个第一类型元素和一个或者多个第二类型元素。
基于各所述交易特征和所述待检测交易数据，确定模型解释样本集，具体地，在各所述交易特征中选取目标特征，进而在所述待检测交易数据中剔除所述目标特征对应的数据，获得剔除数据集，其中，所述剔除数据集为除所述目标特征之外的其余各交易特征对应的数据集，进而在剔除数据集中选取子集作为所述第一类型元素之一，并将所述目标特征加入所述第一类型元素，获得第二类型元素之一，直至所述剔除数据集的子集均被选取过一次，获得所述目标特征对应的各第一类型元素和各第二类型元素，并重新在各所述交易特征中选取目标特征以获取所述第一类型元素和第二类型元素，直至各所述交易特征均被选取过一次作为所述目标特征，其中，需要说明的是，所述剔除数据集的每一子集和每一目标特征均只选取一次。
其中，所述模型解释样本集至少包括一个模型输入元素，所述模型输入元素至少包括一个第一类型元素和一个第二类型元素，
所述基于各所述交易特征和所述待检测交易数据，确定模型解释样本集的步骤包括：
步骤B10，在各所述交易特征中选取目标特征，并在所述待检测交易数据中剔除所述目标特征对应的目标特征数据，获得剔除数据集，并在所述剔除数据集中选取所述第一类型元素之一，其中，所述第一类型元素为所述剔除数据集的子集；
在本实施例中，需要说明的是，每一所述交易特征均只选取一次作为所述目标特征，所述剔除数据集的每一子集均只选取一次作为所述第一类型元素之一，且若需要进行基于所述预设风险检测模型对各所述交易特征进行全局解释，则所述第一类型元素即为所述剔除数据集，其中，所述剔除数据集的子集为对应的各交易特征进行排列组合确定的，例如，假设所述剔除数据集为(A，B)，其中，A和B代表不同的交易特征，则所述剔除数据集的子集包括空集，A，B，(A，B)和(B，A)五种情况。
步骤B20，将所述目标特征数据加入所述第一类型元素，获得所述第二类型元素之一；
在本实施例中，将所述目标特征加入所述第一类型元素，获得所述第二类型元素之一，具体地，将所述目标特征对应的目标特征数据并入所述目标特征对应的第一类型元素，获得所述目标特征数据和所述第一类型元素之间的并集，并将所述并集作为所述第一类型元素对应的第二类型元素。
步骤B30，重新在各所述交易特征中选取所述目标特征，以获取其他所述第一类型元素和其他所述第二类型元素，直至所述待检测交易数据中不存在所述目标特征，获得所述模型解释样本集。
在本实施例中，需要说明的是，若一所述交易特征已经被选取过作为所述目标特征，则选取过的所述交易特征不能再作为所述目标特征，且选取过的所述剔除数据集的子集不能再作为所述第一类型元素之一。
重新在所述交易特征中选取所述目标特征，以获取其他所述第一类型元素和其他所述第二类型元素，直至所述待检测交易数据中不存在所述目标特征，获得所述模型解释样本集，具体地，重复执行所述步骤B10至步骤B20，直至获得的所述剔除数据集中无法再选取所述第一类型元素和所述第二类型元素，获得所述模型解释样本集。
步骤S222，基于所述预设风险检测模型和所述模型解释样本集，计算各所述特征贡献度。
在本实施例中，需要说明的是，所述模型解释样本集包括各所述交易特征分别对应的各所述第一类型元素和各所述第二类型元素，其中，一所述交易特征至少对应一所述第一类型元素和一所述第二类型元素。
基于所述预设风险检测模型和所述模型解释样本集，分别计算各所述特征贡献度，具体地，分别将各所述交易特征分别对应的各第一类型元素和对应的各第二类型元素输入所述预设风险检测模型，执行模型预测，获得所述预设风险检测模型在所述模型解释样本集中各元素上的输出结果，获得所述模型输出结果集合，其中，一所述第一类型元素或者一所述第二类型元素对应所述模型输出结果集合中的一输出结果元素，进一步地，基于所述模型输出结果集合，通过预设SHAP值计算公式，计算各所述交易特征分别对应的各SHAP值，其中，一所述交易特征至少对应一SHAP值，进而对每一所述交易特征对应的各SHAP值求平均，获得各所述交易特征对应的特征贡献度，其中，所述预设SHAP值计算公式如下所示：
Figure BDA0002565924750000141
其中，φi为所述SHAP值，F为各所述交易特征的特征数据集合，F\{i}为F中剔除第i个特征后的剔除数据集，S为所述剔除数据集的一个子集，
Figure BDA0002565924750000142
为所述预设风险检测模型在S集合上的输出值，fS∪{i}(xS∪{i})为S集并上特征i后在所述预设风险检测模型上的输出值，且所述预设边际效益期望计算公式中带有阶乘符号的分数系数为剔除的交易特征为第i个特征且剔除数据集为S时的情况占所有情况的概率。
本实施例通过基于各所述交易特征和所述待检测交易数据，确定模型解释样本集，进而基于所述预设风险检测模型和所述模型解释样本集，分别计算各所述特征贡献度。也即本实施例提供了一种基于SHAP算法计算特征贡献度的方法，进而计算获得各交易特征的特征贡献度之后，也即，在计算获得导致所述初始风险检测结果的目标风险因素之后，即可选取所述目标风险因素对应的风险校验规则，对所述目标交易进行有针对性地二次交易风险检测，获得目标风险检测结果，与现有技术采用固定的神经网络模型，对各种因素导致的可疑交易进行统一检测的技术手段相比，克服了现有技术中由于导致交易可疑的因素通常较多，进而基于固定的神经网络模型，对各种因素导致的可疑交易进行统一检测，导致可疑交易的检测准确性低的技术缺陷，进而提高了交易风险检测的准确性，进而为解决交易风险检测置信度低的技术问题奠定了基础。
参照图4，图4是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图4所示，该交易风险检测设备可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地，该交易风险检测设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard)，可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解，图4中示出的交易风险检测设备结构并不构成对交易风险检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图4所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及交易风险检测方法程序。操作系统是管理和控制交易风险检测设备硬件和软件资源的程序，支持交易风险检测方法程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与交易风险检测方法系统中其它硬件和软件之间通信。
在图4所示的交易风险检测设备中，处理器1001用于执行存储器1005中存储的交易风险检测方法程序，实现上述任一项所述的交易风险检测方法的步骤。
本申请交易风险检测设备具体实施方式与上述交易风险检测方法各实施例基本相同，在此不再赘述。
本申请实施例还提供一种交易风险检测装置，所述交易风险检测装置应用于交易风险检测设备，所述交易风险检测装置包括：
预测模块，用于获取目标交易对应的待检测交易数据，并将所述待检测交易数据输入预设风险检测模型，对所述目标交易进行交易风险检测，获得初始风险检测结果；
模型解释模块，用于对所述初始风险检测结果进行模型预测解释，获得所述初始风险检测结果对应的交易可疑因素；
生成模块，用于基于所述交易可疑因素，生成所述目标交易对应的目标风险检测结果。
可选地，所述模型解释模块包括：
第一确定子模块，用于若所述初始风险检测结果满足预设风险判定条件，则确定所述待检测交易数据对应的各所述交易特征；
计算子模块，用于基于所述预设风险检测模型，分别计算各所述交易特征对所述初始风险检测结果的特征贡献度；
选取子模块，用于基于各所述特征贡献度，在各所述交易特征中选取所述目标交易特征。
可选地，所述计算子模块包括：
确定单元，用于基于各所述交易特征和所述待检测交易数据，确定模型解释样本集；
计算单元，用于基于所述预设风险检测模型和所述模型解释样本集，计算各所述特征贡献度。
可选地，所述确定单元包括：
剔除子单元，用于在各所述交易特征中选取目标特征，并在所述待检测交易数据中剔除所述目标特征对应的目标特征数据，获得剔除数据集，并在所述剔除数据集中选取所述第一类型元素之一，其中，所述第一类型元素为所述剔除数据集的子集；
并入子单元，用于将所述目标特征数据加入所述第一类型元素，获得所述第二类型元素之一；
选取子单元，用于重新在各所述交易特征中选取所述目标特征，以获取其他所述第一类型元素和其他所述第二类型元素，直至所述待检测交易数据中不存在所述目标特征，获得所述模型解释样本集。
可选地，所述选取子模块包括：
排序单元，用于确定各所述特征贡献度的目标绝对值，并对各所述目标绝对值进行排序，获得排序结果；
选取单元，用于基于所述排序结果，在各所述交易特征中选取所述目标交易特征。
可选地，所述生成模块包括：
第二确定子模块，用于确定所述交易可疑因素对应的风险校验规则；
二次交易风险检测子模块，用于基于所述风险校验规则，对所述目标交易进行二次交易风险检测，获得所述目标风险检测结果。
可选地，所述第二确定子模块包括：
匹配子模块，用于获取所述目标交易特征对应的目标特征贡献度，并分别匹配所述目标交易特征对应的风险校验规则类型和匹配所述目标特征贡献度对应的风险校验等级；
第二确定子模块，用于基于所述风险校验规则类型和所述风险校验等级，确定所述风险校验规则。
可选地，所述预测模块包括：
分类子模块，用于将所述待检测交易数据输入所述预设风险检测模型，对所述待检测交易数据进行分类，以对所述目标交易进行交易风险检测，获得分类标签；
第三确定子模块，用于基于所述分类标签，确定所述初始风险检测结果。
本申请交易风险检测装置的具体实施方式与上述交易风险检测方法各实施例基本相同，在此不再赘述。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围内。

Claims (10)

1.一种交易风险检测方法，其特征在于，所述交易风险检测方法包括：
获取目标交易对应的待检测交易数据，并将所述待检测交易数据输入预设风险检测模型，对所述目标交易进行交易风险检测，获得初始风险检测结果；
对所述初始风险检测结果进行模型预测解释，获得所述初始风险检测结果对应的交易可疑因素；
基于所述交易可疑因素，生成所述目标交易对应的目标风险检测结果。
2.如权利要求1所述交易风险检测方法，其特征在于，所述交易可疑因素包括目标交易特征，
所述对所述初始风险检测结果进行模型预测解释，获得所述初始风险检测结果对应的交易可疑因素的步骤包括：
若所述初始风险检测结果满足预设风险判定条件，则确定所述待检测交易数据对应的各所述交易特征；
基于所述预设风险检测模型，分别计算各所述交易特征对所述初始风险检测结果的特征贡献度；
基于各所述特征贡献度，在各所述交易特征中选取所述目标交易特征。
3.如权利要求2所述交易风险检测方法，其特征在于，所述基于所述预设风险检测模型，分别计算各所述交易特征对所述初始风险检测结果的特征贡献度的步骤包括：
基于各所述交易特征和所述待检测交易数据，确定模型解释样本集；
基于所述预设风险检测模型和所述模型解释样本集，计算各所述特征贡献度。
4.如权利要求3所述交易风险检测方法，其特征在于，所述模型解释样本集至少包括一个模型输入元素，所述模型输入元素至少包括一个第一类型元素和一个第二类型元素，
所述基于各所述交易特征和所述待检测交易数据，确定模型解释样本集的步骤包括：
在各所述交易特征中选取目标特征，并在所述待检测交易数据中剔除所述目标特征对应的目标特征数据，获得剔除数据集，并在所述剔除数据集中选取所述第一类型元素之一，其中，所述第一类型元素为所述剔除数据集的子集；
将所述目标特征数据加入所述第一类型元素，获得所述第二类型元素之一；
重新在各所述交易特征中选取所述目标特征，以获取其他所述第一类型元素和其他所述第二类型元素，直至所述待检测交易数据中不存在所述目标特征，获得所述模型解释样本集。
5.如权利要求2所述交易风险检测方法，其特征在于，所述基于各所述特征贡献度，在各所述交易特征中选取所述目标交易特征的步骤包括：
确定各所述特征贡献度的目标绝对值，并对各所述目标绝对值进行排序，获得排序结果；
基于所述排序结果，在各所述交易特征中选取所述目标交易特征。
6.如权利要求1所述交易风险检测方法，其特征在于，所述基于所述交易可疑因素，生成所述目标交易对应的目标风险检测结果的步骤包括：
确定所述交易可疑因素对应的风险校验规则；
基于所述风险校验规则，对所述目标交易进行二次交易风险检测，获得所述目标风险检测结果。
7.如权利要求6所述交易风险检测方法，其特征在于，所述交易可疑因素包括目标交易特征，
所述确定所述交易可疑因素对应的风险校验规则的步骤包括：
获取所述目标交易特征对应的目标特征贡献度，并分别匹配所述目标交易特征对应的风险校验规则类型和匹配所述目标特征贡献度对应的风险校验等级；
基于所述风险校验规则类型和所述风险校验等级，确定所述风险校验规则。
8.如权利要求1所述交易风险检测方法，其特征在于，所述将所述待检测交易数据输入预设风险检测模型，对所述目标交易进行交易风险检测，获得初始风险检测结果的步骤包括：
将所述待检测交易数据输入所述预设风险检测模型，对所述待检测交易数据进行分类，以对所述目标交易进行交易风险检测，获得分类标签；
基于所述分类标签，确定所述初始风险检测结果。
9.一种交易风险检测设备，其特征在于，所述交易风险检测设备包括：存储器、处理器以及存储在存储器上的用于实现所述交易风险检测方法的程序，
所述存储器用于存储实现交易风险检测方法的程序；
所述处理器用于执行实现所述交易风险检测方法的程序，以实现如权利要求1至8中任一项所述交易风险检测方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有实现交易风险检测方法的程序，所述实现交易风险检测方法的程序被处理器执行以实现如权利要求1至8中任一项所述交易风险检测方法的步骤。
CN202010630276.3A 2020-07-01 2020-07-01 交易风险检测方法、设备及可读存储介质 Pending CN111784053A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010630276.3A CN111784053A (zh) 2020-07-01 2020-07-01 交易风险检测方法、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010630276.3A CN111784053A (zh) 2020-07-01 2020-07-01 交易风险检测方法、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN111784053A true CN111784053A (zh) 2020-10-16

Family

ID=72758362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010630276.3A Pending CN111784053A (zh) 2020-07-01 2020-07-01 交易风险检测方法、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111784053A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902450A (zh) * 2021-12-08 2022-01-07 四川新网银行股份有限公司 一种可解释的欺诈交易识别方法及装置
CN115953248A (zh) * 2023-03-01 2023-04-11 支付宝(杭州)信息技术有限公司 基于沙普利可加性解释的风控方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255499A (zh) * 2018-10-25 2019-01-22 阿里巴巴集团控股有限公司 投诉、投诉案件处理方法、装置及设备
CN110705654A (zh) * 2019-10-22 2020-01-17 中国工商银行股份有限公司 用于监控资产的方法、装置、电子设备及介质
CN110766040A (zh) * 2019-09-03 2020-02-07 阿里巴巴集团控股有限公司 用于对交易风险数据进行风险聚类的方法及装置
CN111262887A (zh) * 2020-04-26 2020-06-09 腾讯科技（深圳）有限公司 基于对象特征的网络风险检测方法、装置、设备及介质
CN111340231A (zh) * 2020-02-11 2020-06-26 深圳前海微众银行股份有限公司 Shap特征归因方法、装置、设备及可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255499A (zh) * 2018-10-25 2019-01-22 阿里巴巴集团控股有限公司 投诉、投诉案件处理方法、装置及设备
CN110766040A (zh) * 2019-09-03 2020-02-07 阿里巴巴集团控股有限公司 用于对交易风险数据进行风险聚类的方法及装置
CN110705654A (zh) * 2019-10-22 2020-01-17 中国工商银行股份有限公司 用于监控资产的方法、装置、电子设备及介质
CN111340231A (zh) * 2020-02-11 2020-06-26 深圳前海微众银行股份有限公司 Shap特征归因方法、装置、设备及可读存储介质
CN111262887A (zh) * 2020-04-26 2020-06-09 腾讯科技（深圳）有限公司 基于对象特征的网络风险检测方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902450A (zh) * 2021-12-08 2022-01-07 四川新网银行股份有限公司 一种可解释的欺诈交易识别方法及装置
CN115953248A (zh) * 2023-03-01 2023-04-11 支付宝(杭州)信息技术有限公司 基于沙普利可加性解释的风控方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
WO2019196552A1 (zh) 保险欺诈识别的数据处理方法、装置、设备及服务器
US20190294921A1 (en) Field identification in an image using artificial intelligence
CN108550065B (zh) 评论数据处理方法、装置及设备
CN111783039B (zh) 风险确定方法、装置、计算机系统和存储介质
CN112598294A (zh) 在线建立评分卡模型的方法、装置、机器可读介质及设备
CN108241867B (zh) 一种分类方法及装置
CN112801773A (zh) 企业风险预警方法、装置、设备及存储介质
CN112990294A (zh) 行为判别模型的训练方法、装置、电子设备及存储介质
CN112765003B (zh) 一种基于app行为日志的风险预测方法
CN113793332B (zh) 一种实验仪器缺陷识别分类方法及系统
CN111611390B (zh) 一种数据处理方法及装置
CN112926471A (zh) 业务单据影像内容识别方法及装置
CN111784053A (zh) 交易风险检测方法、设备及可读存储介质
CN112529575A (zh) 风险预警方法、设备、存储介质及装置
CN112328869A (zh) 一种用户贷款意愿的预测方法、装置及计算机系统
CN116414815A (zh) 数据质量检测方法、装置、计算机设备和存储介质
CN111784506A (zh) 逾期风险控制方法、设备及可读存储介质
US20240054402A1 (en) Attribution and Generation of Saliency Visualizations for Machine-Learning Models
CN117151855A (zh) 欺诈风险预测方法、装置、计算机设备和可读存储介质
CN113269433B (zh) 税收风险预测方法、设备、介质及计算机程序产品
CN111738290A (zh) 图像检测方法、模型构建和训练方法、装置、设备和介质
CN116245630A (zh) 一种反欺诈检测方法、装置、电子设备及介质
CN113111734B (zh) 一种水印分类模型训练方法及装置
CN110827261B (zh) 图像质量检测方法及装置、存储介质及电子设备
CN114387089A (zh) 客户信用风险评估方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201016